Comparativo de preços de API de LLM em 2026: números em reais, código e o ponto de virada para GPU dedicada

Comparar preço de API de LLM em 2026 é mais difícil do que parece: cada fornecedor cobra em moeda diferente, conta entrada e saída em faixas diferentes, alguns dobram o preço acima de certo contexto e quase nenhum diz quanto custou aquela chamada. Este artigo resolve isso com números convertidos para reais, comparações por tarefa completa e código que você roda para medir o seu próprio caso.

Tabela 1 — Preço por milhão de tokens, tudo em reais

Valores de terceiros convertidos a R$ 5,40/US$ (dólar + IOF). A leitura rápida: gpub-plus sai 16× mais barato na saída que o Gemini 3.1 Pro e 68× mais barato que o Claude Fable 5; gpub-max, que é um modelo de fronteira aberto, sai 3,2× mais barato que o Fable 5 e 1,9× mais barato que o GPT-5.6 Sol.

Tabela 2 — O que importa: custo da tarefa inteira

Preço por token engana, porque cada tarefa tem uma proporção diferente entre entrada e saída. Comparar por trabalho completo é o único jeito honesto.

Tarefa A — Assistente de atendimento com RAG

50.000 perguntas por mês · 4.000 tokens de entrada (pergunta + trechos) · 400 de saída → 200M de entrada, 20M de saída.

Mesmo trabalho, de R$ 119,80 a R$ 16.208,80 — uma diferença de 135×. Para atendimento com contexto recuperado, o modelo de fronteira quase nunca se justifica: a qualidade da resposta vem principalmente dos trechos que você recuperou, não do tamanho do modelo.

Tarefa B — Agente que lê a base de código

200 execuções por mês · 200.000 tokens de entrada · 5.000 de saída → 40M de entrada, 1M de saída.

Repare na armadilha do preço por faixa de contexto: um agente que lê 200 mil tokens cruza exatamente o limite em que o Gemini dobra a tarifa. Duas linhas antes na tabela de preços, ele parecia o mais barato dos internacionais; na tarefa real, ficou mais caro que o gpub-max.

Meça o seu caso — o script

Nenhuma tabela substitui o seu prompt real. Este script roda a mesma tarefa em vários modelos, mede latência e custo, e imprime um comparativo. Como a nossa API devolve usage.cost_brl, o custo não é estimado: é o valor cobrado.

import time
from openai import OpenAI

cliente = OpenAI(api_key="gpub_live_suachaveaqui",
                 base_url="https://gpubrasil.com.br/v1")

MODELOS = ["gpub-fast", "gpub-mini", "gpub-plus", "gpub-base", "gpub-max"]

CASOS = [
    {"nome": "classificacao", "sistema": "Classifique em: cobranca, acesso, bug, duvida.",
     "usuario": "Paguei ontem e o sistema ainda diz que estou inadimplente.", "teto": 16},
    {"nome": "extracao", "sistema": "Extraia CNPJ, numero e valor total. Responda so JSON.",
     "usuario": "NF 1234, emitida por ACME LTDA CNPJ 00.000.000/0001-00, total R$ 1.234,56", "teto": 200},
    {"nome": "raciocinio", "sistema": "Explique o passo a passo antes de concluir.",
     "usuario": "Se 3 maquinas processam 300 itens em 2h, quanto tempo 5 maquinas levam para 1000?",
     "teto": 1000},          # teto folgado: modelo de raciocinio gasta token pensando
]

print(f"{'caso':<14}{'modelo':<12}{'seg':>7}{'tokens':>9}{'R$':>12}")
for caso in CASOS:
    for modelo in MODELOS:
        t0 = time.time()
        try:
            r = cliente.chat.completions.create(
                model=modelo,
                messages=[{"role": "system", "content": caso["sistema"]},
                          {"role": "user", "content": caso["usuario"]}],
                temperature=0,
                max_tokens=caso["teto"],
            )
        except Exception as e:
            print(f"{caso['nome']:<14}{modelo:<12}  erro: {e}")
            continue
        dt = time.time() - t0
        print(f"{caso['nome']:<14}{modelo:<12}{dt:>7.2f}"
              f"{r.usage.total_tokens:>9}{r.usage.cost_brl:>12.6f}")

Rodar isso inteiro custa alguns centavos. Guarde a saída: ela é a base para decidir com dado em vez de manchete. E some a qualidade na conta — o mais barato que erra 20% das vezes não é barato.

API por token ou GPU dedicada? A conta do ponto de virada

Esta é a pergunta que mais recebemos, e ela tem resposta aritmética. Alugando GPU por hora, você paga a hora, não o token. Então a GPU empata com a API quando o seu volume de tokens por hora chega a:

tokens_por_segundo_de_equilibrio = preco_hora_gpu / (preco_saida_por_token * 3600)

Como ler: se você sustenta mais que o número da coluna, a GPU sai mais barata; se sustenta menos, o token vence. A conta considera só os tokens de saída, o que é conservador a favor da API — contando também a entrada, a GPU empata antes.

Quando a GPU dedicada ganha, e ganha com folga

• Modelo próprio ou ajustado. Fine-tuning e LoRA só existem com os pesos na sua mão. Um 7B especializado no seu domínio costuma bater um modelo genérico muito maior — e roda numa placa barata.
• Volume alto e constante. Fila que não esvazia é o cenário perfeito para lote grande com vLLM.
• Controle de pesos, logs e retenção. Sistema de alto risco, auditoria, versão congelada para reprodução — assunto que detalhamos em EU AI Act e PL 2338 na prática.
• Trabalho que não é texto. Imagem, vídeo, voz, visão, treino. Nada disso é resolvido por API de texto.

Os custos que não aparecem na tabela de preço

Resumo para quem só quer a resposta

1. Tarefa objetiva em volume (classificar, extrair, moderar, rotear): gpub-fast ou gpub-mini. É onde a diferença de preço vira ordem de grandeza.
2. Conversa, código e RAG do dia a dia: gpub-plus. Melhor relação qualidade/preço do catálogo.
3. Raciocínio longo e contexto gigante: gpub-max, com teto de saída folgado.
4. Volume alto e constante, modelo próprio ou dado sensível: GPU dedicada por hora.
5. Na dúvida: rode o script deste artigo com os seus casos reais. Custa centavos e substitui semanas de discussão.

Perguntas frequentes

Leia também: 10 casos de uso com código e custo real · Rodar modelos abertos sai mais barato que API? · Economia de tokens com self-hosting